![](https://img-blog.csdnimg.cn/20201014180756780.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
视觉定位
文章平均质量分 91
Fshinech
自动驾驶小白,尤其定位
展开
-
矩阵:采用奇异值分解(SVD)对n个点进行平面拟合
奇异值分解(Singular Value Decomposition, SVD),是线性代数中一种重要的矩阵分解,在信号处理、统计学等领域有重要应用。奇异值分解在某些方面与对称矩阵或厄米矩阵基于特征向量的对角化类似。对称矩阵特征向量分解的基础是谱分析,而奇异值分解则是谱分析理论在任意矩阵上的推广 1。已知三维空间中 n(n>2)n (n>2)n(n>2) 个点{p1(x1,y1,z1), p2(x2,y2,z2), ⋅⋅⋅ ,pn(xn,yn,zn)}\{p_1(x_1,y_1,z_1),\ p_2(x_2原创 2022-10-05 19:17:08 · 2903 阅读 · 4 评论 -
定位:(plücker coordination)直线的普吕克表示与正交表示,及其相互转换
3D空间下的直线可以用普吕克(n,d)(n,d)表示,方便参与几何运算,但其维度为6,在优化中普吕克表达不占优,而正交表示(U,W)(U,W)有4个自由度,主要参与优化运算。本文主要记录以下几点线的普吕克表示与线的正交表示两者之间的关系及相互转换过程3D空间中刚体有6个自由度,而线有4个自由度,因为线绕自己旋转(roll),或在线的方向上平移还是同一个直线,因此少了两个自由度。.........原创 2022-08-05 19:52:03 · 2481 阅读 · 7 评论